Deep HM-SORT: Enhancing Multi-Object Tracking in Sports with Deep Features, Harmonic Mean, and Expansion IOU

本文介绍了一种名为Deep HM-SORT的新型在线多目标跟踪算法，专门设计用于增强体育场景中运动员的跟踪。传统的多目标跟踪方法通常在体育环境中面临着许多挑战，如球员外观相似、运动不规律和不可预测、相机运动显著等。Deep HM-SORT通过整合深度特征、调和平均数和扩展IOU来解决这些挑战。通过利用调和平均数，我们的方法有效地平衡了外观和运动线索，显著减少了ID交换。此外，我们的方法无限期地保留了所有的轨迹片段，提高了离开并重新进入画面的球员的再识别能力。实验结果表明，Deep HM-SORT在两个大规模公共基准测试中均取得了最先进的性能，即SportsMOT和SoccerNet Tracking Challenge 2023。具体而言，我们的方法在SportsMOT数据集上实现了80.1 HOTA，在SoccerNet-Tracking数据集上实现了85.4 HOTA，优于现有跟踪器在HOTA、IDF1、AssA和MOTA等关键指标上的表现。这种稳健的解决方案为自动化体育分析提供了更高的准确性和可靠性，相比之前的方法，没有引入额外的计算成本。

本文介绍了一种新的在线多目标跟踪算法Deep HM-SORT，旨在提高运动员在体育场景中的跟踪精度和可靠性。该算法试图解决传统多目标跟踪方法在体育场景中的挑战，如球员外观相似、不规则和不可预测的运动以及相机运动等。

Deep HM-SORT算法通过集成深度特征、调和平均和Expansion IOU等技术解决了上述挑战。通过利用调和平均，该方法有效地平衡了外观和运动线索，显著减少了ID-swaps。此外，该方法无限期地保留所有的tracklets，提高了离开并重新进入画面的球员的重新识别能力。

本文的实验结果表明，Deep HM-SORT在两个大型公共基准测试SportsMOT和SoccerNet Tracking Challenge 2023上实现了最先进的性能。具体而言，在SportsMOT数据集上，该方法实现了80.1 HOTA，在SoccerNet-Tracking数据集上实现了85.4 HOTA，优于现有跟踪器的关键指标，如HOTA、IDF1、AssA和MOTA。此外，该算法提供了增强的准确性和可靠性，而不引入额外的计算成本。

近期在这个领域中，还有一些相关的研究，如MOTDT、JRMOT和DeepSORT等。